EMNLP 2020-会议征稿通知解读

EMNLP(Conference on Empirical Methods in Natural Language Processing)是计算机语言学和自然语言处理领域的顶级国际会议，由ACL旗下SIGDAT组织，每年举办一次，Google Scholar计算语言学刊物指标中排名第二，是CCF-B类推荐会议。通常，CoNLL会议也将于EMNLP会议共同召开。CoNLL是计算机语言学和自然语言处理领域的重要国际会议，由ACL旗下SIGNLL组织，每年举办一次，Google Scholar计算语言学刊物指标中排名第十，是CCF-C类推荐会议。

EMNLP 2020将于2020年11月8日-11月12日在多米尼加共和国的蓬塔卡纳举办。

1. 长短文提交截止日期：2020年5月8日

2020年自然语言处理经验方法会议(EMNLP 2020)邀请提交关于自然语言处理经验方法的实质性、原创性和未发表研究的长短论文。与近几年一样，会议上的一些演讲将是为ACL(TACL)和计算语言学(CL)期刊接受的论文。

2. 重要日期

• 匿名期开始：2020年4月11日。
• 提交截止日期(长短文)：2020年5月11日。
• 作者答复期：2020年7月8日-14日。
• 接收通知(长短文)：2020年8月8日。
• 论文定稿(长短文)：2020年8月28日。
• 主要会议：2020年11月8日-10日。
• 研讨会和教程：2020年11月11日-12日。
  所有截止时间都为11:59 pm UTC-12h（换算为北京时间UTC+8需要加20个小时）。

3. 投稿

EMNLP 2020的目标是制定一个广泛的技术计划。会议的相关议题包括但不限于以下领域：

• 计算社会科学与社交媒体。
• 对话与交互系统。
• 语篇与语用学。
• 文本生成。
• 信息抽取。
• 信息检索与文本挖掘。
• 自然语言处理模型的可解释性与分析。
• 通向视觉、机器人和更远的语言基础。
• 语言学理论、认知建模与心理语言学。
• 机器学习在自然语言处理中的应用。
• 机器翻译与多语种。
• NLP应用程序。
• 语音、词法与分词。
• 问答。
• 资源和评估。
• 语义学：词汇、句子层、语篇推理等领域。
• 情感分析、文体分析和论点挖掘。
• 语音与多模态。
• 文本摘要。
• 语法：标记、分块和解析

4. 论文投稿信息

4.1 长篇论文(8页+无线页参考文献)

提交的长篇论文必须描述实质性的、原创的、已完成的和未发表的作品。在适当的情况下，应包括具体的评估和分析。评审表格将在截止日期前提供。长篇论文可包含最多8页的内容，外加无限制的参考页数；长篇论文的最终版本将被给予额外的一页内容(最多9页)，以便评审者的评论可以被考虑在内。长篇论文将由项目委员会决定以口头陈述或海报形式提交。关于哪些论文将被口头陈述，哪些作为海报陈述的决定将基于作品的性质，而不是质量。在诉讼过程中，口头陈述的长篇论文和以海报形式提交的长篇论文将没有区别。

4.2 短篇论文(4页+无线页参考文献)

短论文必须描述原始和未发表的作品。请注意，短纸不是缩短的长纸。相反，短论文应该有一个重点，可以在几页上提出。一些简短的论文是：

• 重点突出的小贡献
• 负面结果
• 意见片段
• 一个有趣的应用程序块

短篇论文最多可包含4页内容，外加无限制的参考文献。录取后，短篇论文将在会议过程中获得5页内容。鼓励作者在他们的最终版本中使用这个额外的页面来处理审阅者的评论。

简短论文将以口头形式或由计划委员会确定为海报的形式展示。虽然在会议过程中将短论文与长论文区分开，但在程序中口头陈述和作为海报的短论文之间没有区别。

4.3 作者名单

投稿作者名单中需要（并且只能）添加对于论文工作作出显著贡献的人。EMNLP 2020论文的提交、修改、录用通知将通知到每一个论文作者。需要注意的是，EMNLP 2020截稿日期之后论文作者不能有任何改动（包括增加、删除、修改顺序）。

4.4 引用和比较

你需要引用所有与论文相关的已发表论文。如果一个论文同时存在已发表版本和预印本版本（例如：arXiv），你应该优先引用已发表版本。

在截稿日期之前三个月以内的论文（不论是否被正式刊物录用）可以认为是同期论文，所以你可以不与这些论文进行深度的实验分析比较。

有关更多信息，请参阅ACL提交，审阅和引用政策。

4.5 多次投稿政策

EMNLP 2020不允许接受目前在其他期刊或者会议中正在审稿的论文，并且不允许在EMNLP 2020 审稿期间将提交到EMNLP 2020的论文同时提交到其他期刊或会议。这个政策涉及到所有同行评议的会议和研讨会（例如COLING、NeurIPS、ACL研讨会）。例如，如果你的论文正处于某个ACL研讨会的审稿期，那么就不能再将论文提交到EMNLP 2020。投稿的论文不能与已发表的论文存在较多重复内容。同时，如果一个作者投稿多篇论文到EMNLP 2020，则必须保证论文之间的重叠度不得大于25%。

4.6 论文提交和模板

提交采用电子方式，使用Softconf Start会议管理系统。论文模板文件将很快在会议网站上提供。

4.7 可选补充材料：附录，软件和数据

每个EMNLP 2020提交文件都可以随附一个PDF附录，一个PDF供先前的评论和作者回复，一个包含软件的.tgz或.zip存档以及一个包含数据的.tgz或.zip存档。EMNLP 2020鼓励提交这些补充材料，以提高结果的可重复性，并使作者能够提供本文中所不具备的其他信息。例如，匿名的相关工作（请参见上文），预处理决策，模型参数，特征模板，冗长的证明或派生，伪代码，样本系统输入/输出，以及准确复制本文中所述工作所需的其他详细信息可以放在附录中。但是，论文提交必须保持完全独立，因为这些补充材料是完全可选的，并且甚至不要求审阅者审阅或下载它们。如果伪代码或派生文件或模型规范是贡献的重要组成部分，或者如果它们对于审稿人评估工作的技术正确性很重要，则它们应是主要论文的一部分，而不应出现在本手册中。附录。补充材料需要完全匿名以保留双盲审核政策。

5. 匿名期

以下规则和指南旨在保护双盲审核的完整性，并确保对提交的文档进行公正的审核。规则参考匿名期限，该期限从提交截止日期（2020年4月8日开始）之前的1个月到您的论文被接受或拒绝的日期（2020年8月8日）之间。在此期间撤回的文件将不再受这些规则的约束。

• 在匿名期间，您可能无法在线向普通社区（例如，通过预印服务器）提供非匿名版本的论文。本文的版本包括科学内容基本相同，但次要细节（包括标题和结构）和/或长度可能不同的论文。
• 如果您在匿名期开始之前在线发布了论文的非匿名版本，则可以向会议提交匿名版本。提交的版本不得引用非匿名版本，并且您必须通知程序主席存在非匿名版本。
• 您不得在匿名期间更新非匿名版本，并且我们要求您不要在社交媒体上进行广告宣传或采取其他行动，以进一步损害匿名期间的双盲审核。
• 即使在匿名期间，您也可以提供论文的匿名版本（例如，在OpenReview上）。
• 请注意，虽然不禁止您在匿名期限开始之前在线提供非匿名版本，但这确实使双盲审核更加难以维护，因此我们建议您等到匿名结束为止。或者，您可以考虑将您的工作提交给Computational Linguistics期刊，该期刊不需要匿名，并且可以跟踪“简短”（即会议论文）论文。

6. 双盲检查说明

由于审阅将是双盲的，因此论文中不得包含作者的姓名和所属单位。此外，必须避免显示作者身份的自我参考或链接（例如github），例如“We previously showed (Smith, 1991) …”。取而代之的是使用诸如“Smith previously showed (Smith, 1991) …”之类的引文。

论文不应进一步提及审稿人无法获得的文件。例如，请勿省略或删除重要的引用信息以保留匿名性。相反，如上所述，请使用第三者或指定的名称引用此作品（“Smith showed”而非“we showed”）。如果审稿人无法获得重要的引文（例如，等待发表），则应将这些论文匿名化并包含在附录中。然后可以从提交中引用它们，而不会影响匿名性。

论文可能附带论文中描述的资源（软件和/或数据），但这些资源也应匿名。

7. 新功能：可粘贴过往审稿意见（可选）

如果一篇论文曾经被其他会议拒绝，你可以将上一个版本的论文、审稿意见、作者论辩同时提交给我们。这个操作是可选的，并不强制。这样设计是为了模仿像TACL一样的“修改-重投稿”过程，这次在EMNLP的尝试将预告未来EMNLP以及ACL系列会议可能发生的审稿流程变化。我们预期一篇论文被另外一个会议拒绝并不会导致论文最终被EMNLP拒绝，反而对于那些觉得他们已经解决了过往审稿意见中提出的问题并且可以强烈地阐述论文是如何被修改提升的作者来说可能是一件好事。过往审稿意见不会被EMNLP 2020审稿人看到，但是在做出最终EMNLP录用决定时会考虑这个因素，这主要由领域主席和程序委员会主席用来控制审稿质量，消除审稿人之间的不一致性以及决定处于录用边缘的论文。

8. 可复现标准

为了促进可复现性（Reproducibility），在提交论文的同时我们将要求作者回答如下关于可复现性相关的问题。作者不需要满足清单里的所有标准，只需要选择论文已满足的相关标准。审稿人将会参考这些信息来评价论文的可复现性。同时，审稿人也将会被要求在审稿意见中评价论文的可复现性。以下列表是我们初步打算采用的审查标准。

对于所有实验结果：

• • 数学内容、算法、模型的清晰描述
• • 可下载源代码的链接，同时标明所有依赖库以及外部库
• • 所使用的计算设备
• • 每个方法的平均用时
• • 每个模型的参数量
• • 与测试集对应的开发集效果
• • 使用的评价方法以及对应的源代码链接

对于所有带参数搜索的实验：

• • 超参数的搜索范围
• • 最优模型的超参组合
• • 超参搜索次数
• • 选择超参的方法（例如：均匀采样、手动调整等），并且依据何种评价方法进行选择（例如：准确率）
• • 所预期的开发集效果，或者作为超参数搜索次数函数的平均值和方差的另外一个度量方法（具体参考Dodge et al., 2019中的Section 3.1）

对于所有数据集：

• • 提供数据集相关统计数据，例如样本数量
• • 训练/开发/测试划分的细节
• • 提供被移除数据的相关解释以及所有的预处理步骤
• • 可下载的数据集链接
• • 对于新收集的数据，需要描述完整的数据收集过程，例如对于标注者的规范指导以及控制标注质量的方法

详细内容请参阅EMNLP 2020官方征稿通知